LAD-VF：LLM 自动微分实现无需微调的机器人规划——基于形式化方法反馈
机器人学
2026-05-27 v2 形式语言与自动机理论
摘要
大型语言模型（LLM）可以将自然语言指令翻译为机器人、自动驾驶及其他领域的可执行行动计划。然而，将 LLM 驱动的规划部署到物理世界中需要严格遵守安全和监管约束，而当前模型由于幻觉或对齐不足常常违反这些约束。传统的基于数据驱动的对齐方法，如直接偏好优化（DPO），需要昂贵的人工标注，而近期的形式化反馈方法仍然依赖资源密集型的微调。在本文中，我们提出 LAD-VF，一个无需微调的框架，利用形式化验证反馈进行自动提示工程。通过引入与 LLM-AutoDiff 集成的形式化验证感知文本损失，LAD-VF 迭代地优化提示而非模型参数。这带来了三个关键优势：（i）无需微调即可扩展适配；（ii）兼容模块化 LLM 架构；（iii）通过可审计的提示实现可解释的优化。在机器人导航和操作任务上的实验表明，LAD-VF 显著提升了规范遵从性，将成功率从 60% 提高到 90% 以上。我们的方法因此提供了一条可扩展且可解释的路径，以实现可信赖的、经过形式化验证的 LLM 驱动控制系统。
引用
@article{arxiv.2509.18384,
title = {LAD-VF: LLM-Automatic Differentiation Enables Fine-Tuning-Free Robot Planning from Formal Methods Feedback},
author = {Yunhao Yang and Junyuan Hong and Gabriel Jacob Perin and Zhiwen Fan and Li Yin and Zhangyang Wang and Ufuk Topcu},
journal= {arXiv preprint arXiv:2509.18384},
year = {2026}
}
备注
Presented at ICRA 2026